基于历史匹配的非扰动模型稳健标定

我们首次将贝叶斯线性仿真与历史匹配方法应用于蒙特卡洛事件发生器中非扰动模型的标定。与通常的“蒙特卡洛调谐”方法不同，历史匹配不产生最佳拟合值及椭球形参数不确定性估计，而是识别与数据一致的所有参数空间区域。该方法导致对模型参数不确定性进行系统且稳健的量化，尤其是在那些不同、可能是互不相连的参数空间区域会产生相似结果的困难案例中，这些区域通常未被当前方法妥善处理。我们以 Sherpa 可用的所有喇叭模型为例说明了该方法的优势：内置的簇破碎模型 Ahadic 以及通过与 Pythia 接口实现的字符串破碎。